精华内容
下载资源
问答
  • Contextcapture建模流程.pdf
  • 机器学习建模流程与思路
  • 压缩包内含有三电平你变器的完整模型,可直接运行,并配有文档说明和建模流程,供大家参考
  • 数仓建模—建模流程

    万次阅读 2020-12-05 19:45:32
    其实就是业务模型->概念模型->逻辑模型->物理模型的这样一个流程,下面我们详细解释一下各个模型阶段都要做什么

    建模的意义

    数据仓库的发展大致经历了这样的三个过程:

    1. 简单报表阶段:这个阶段,系统的主要目标是解决一些日常的工作中业务人员需要的报表,以及生成一些简单的能够帮助领导进行决策所
      需要的汇总数据。大部分表现形式为数据库和前端报表工具。
    2. 数据集市阶段:这个阶段,主要是根据某个业务部门的需要,进行一定的数据的采集,整理,按照业务人员的需要,进行多维报表的展现,
      能够提供对特定业务指导的数据,并且能够提供特定的领导决策数据。
    3. 数据仓库阶段:这个阶段,主要是按照一定的数据模型,对整个企业的数据进行采集,整理,并且能够按照各个业务部门的需要,提供
      跨部门的,完全一致的业务报表数据,能够通过数据仓库生成对对业务具有指导性的数据,同时,为领导决策提供全面的数据支持。

    通过数据仓库建设的发展阶段,其实可以看出,数据仓库的建设和数据集市的建设的重要区别就在于数据模型的支持。因此,数据模型的建设,对于我们数据仓库的建设,有着决定性的意义。

    一般来说,数据模型的建设主要能够帮助我们解决以下的一些问题:

    进行全面的业务梳理 改进业务流程

    1. 在业务模型建设的阶段,能够帮助我们的企业或者是管理机关对本单位的业务进行全面的梳理。
    2. 通过业务模型的建设,我们应该能够全面了解该单位的业务架构图和整个业务的运行情况,能够将业务按照特定的规律进行分门别类和程序化。
    3. 同时,帮助我们进一步的改进业务的流程,提高业务
    展开全文
  • 数仓建模实战(建模流程) 前面我们介绍了PdMan,也就是CHINER,当然也介绍了二者的关系,前面主要介绍了CHINER有哪些功能,可以参考数仓建模—建模工具PDMan(CHINER) 入门介绍,但是没有实际的演示案例,今天我们就...

    数仓建模实战(建模流程)

    前面我们介绍了PdMan,也就是CHINER,当然也介绍了二者的关系,前面主要介绍了CHINER有哪些功能,可以参考数仓建模—建模工具PDMan(CHINER) 入门介绍,但是没有实际的演示案例,今天我们就通过一个小的案例来演示一下。

    我们今天演示的是一个OneID的例子,其实前面我们也讲过了怎么去做OneID,具体可以参考数仓建模—OneID落地实践

    业务建模

    因为我们这个例子其实和我们真实的业务系统没有多大关系,也就是说这个项目是一个由数据服务部门发现的一个项目,所以它的业务背景没有那么复杂,而且我们前面写了大量的文章来说明OneID,所以这里可以参考一下前面的文章

    数仓建模—ID Mapping(上)

    数仓建模—ID Mapping(下)

    数仓建模—OneID落地实践

    我们只需要知道一点就可以了,那就是我们做OneID的目的是为了打通更多的数据,从而更加全面准确的去刻画一个用户或者业务对象。

    当然这里我们需要了解

    展开全文
  • 时间序列建模流程

    千次阅读 2020-07-18 17:31:08
    时间序列建模流程时间序列的建模分析流程时间序列可视化序列平稳严平稳、平稳的区别差分法处理非平稳数据模型自回归模型(AR)移动平均模型(MA)自回归平均模型(ARMA)差分自回归移动平均模型(ARIMA)通过ACF/...

    时间序列的建模分析流程

    在这里插入图片描述

    时间序列可视化

    直接画图就好了,没什么好讲的

    序列平稳

    从稳定性的角度可以把序列划分成三种:非平稳、严平稳、弱平稳。
    平稳的时间序列具有均值和方差不发生明显变化的性质,严平稳、弱平稳的序列都具备。

    严平稳、平稳的区别

    严平稳:严平稳表示的分布不随时间的改变而改变
    如:白噪声(正态),无论怎么取,都是期望为0,方差为1。(PS:现实中一般没有这种信号)
    弱平稳:期望与相关系数(依赖性不变)
    未来某时刻的t的值xt就要依赖于他的过去信息,所以需要依赖性

    差分法处理非平稳数据

    差分法:时间序列在t与t-1时刻的差值
    用python的pandas来处理一下,超简单,代码如下:

    # 一阶差分
    data['diff_1'] = data['sequence'].diff(1)  # diff()括号中的参数填入的是想要差分的时间间隔
    # 二阶差分
    data['diff_2'] = data['diff_1'].diff(1)
    

    一般不做三阶差分,做完差分后大致效果如下:
    原始序列
    一阶差分二阶差分

    模型

    自回归模型(AR)

    自回归的自体现在哪?
    预测未来的值,用的自变量都是自己的历史值,即用变量自身的历史时间数据对自身进行预测,所以叫自回归。
    条件

    • 序列必须满足平稳性的要求
    • 必须具有自相关性,如果自相关系数小于0.5,则不宜采用

    定义公式
    p阶自回归过程的公式定义:
    y t = μ + ∑ i = 1 p γ i y t − i + ϵ t y_{t}=\mu +\sum_{i=1}^p\gamma_iy_{t-i}+\epsilon_t yt=μ+i=1pγiyti+ϵt
    y t y_{t} yt是当前值, μ \mu μ是常数项,P是阶数(可理解为参考过去历史值的个数), γ i \gamma_i γi是自相关系数, ϵ t \epsilon_t ϵt是误差

    移动平均模型(MA)

    特点
    移动平均模型关注的是自回归模型中的误差项的累加
    能有效地消除预测中的随机波动
    定义公式
    q阶自回归过程的公式定义:
    y t = μ + ∑ i = 1 q θ i ϵ t − i + ϵ t y_{t}=\mu +\sum_{i=1}^q \theta_i \epsilon_{t-i}+\epsilon_t yt=μ+i=1qθiϵti+ϵt

    自回归平均模型(ARMA)

    就是把AR and MA combine
    定义公式
    q阶自回归过程的公式定义:
    y t = μ + ∑ i = 1 p γ i y t − i + ∑ i = 1 q θ i ϵ t − i + ϵ t y_{t}=\mu +\sum_{i=1}^p\gamma_iy_{t-i}+\sum_{i=1}^q \theta_i \epsilon_{t-i}+\epsilon_t yt=μ+i=1pγiyti+i=1qθiϵti+ϵt
    这样,该模型就有d(差分次数)、p和q三个待指定的超参数,还有 γ i 和 θ i \gamma_i和\theta_i γiθi两个待求解参数。

    差分自回归移动平均模型(ARIMA)

    模型函数为
    y t = A R I M A ( p , d , q ) y_t =ARIMA(p, d, q) yt=ARIMA(p,d,q)
    其中,AR是自回归,p为自回归项;MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。

    原理
    原理:将非平稳时间序列转化为平稳时间序列然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。

    通过ACF/PACF找最优参数

    通过上面的模型介绍,我们知道了要指定超参数(d, p, q)。那该怎么确定具体的数值呢?

    自相关函数ACF(autocorrelation function)

    概念
    有序的随机变量序列与自身相比较
    自相关函数反映了同一序列在不同时序的取值之间的相关性,即 y t y_t yt y t − k y_{t-k} ytk比, k ∈ { 1 , 2 , . . . , t } k\in \left\{1,2,...,t \right\} k{1,2,...,t}
    公式
    A C F ( k ) = ρ k = C o v ( y t , t t − k ) V a r ( y t ) , 其 中 ρ k ∈ [ − 1 , 1 ] ACF(k)=\rho_k=\frac{Cov(y_t,t_{t-k})}{Var(y_t)} , 其中 \rho_k\in \left[-1,1\right] ACF(k)=ρk=Var(yt)Cov(yt,ttk)ρk[1,1]
    如图,是某ACF图,横坐标为阶数,纵坐标是ACF值。
    在这里插入图片描述

    偏自相关函数PACF(partial autocorrelation function)

    偏自相关函数偏在哪呢?
    原来,对于一个平稳AR§模型,用ACF求出滞后k自相关系数p(k)时,实际上得到并不是x(t)与x(t-k)之间单纯的相关关系,同时还夹杂着x(t-1),x(t-2),…,x(t-k+1)对x(t)的影响。
    所以,PACF就是剔除了中间k-1个随机变量x(t-1),x(t-2),…,x(t-k+1)的干扰之后x(t)与x(t-k)影响的相关程度。

    ARIMA(p,d,q)阶数确定

    模型ACFPACF
    AR( p )衰减趋于零(拖尾)(几何型或振荡型)p阶后截尾
    MA( q )q阶后截尾衰减趋于零(拖尾)(几何型或振荡型)
    ARMA(p,q)q阶后衰减趋于零(拖尾)(几何型或振荡型)p阶后衰减趋于零(拖尾)(几何型或振荡型)

    通过上表,在下图中确认阶数
    在这里插入图片描述

    拖尾和截尾的概念

    拖尾:始终有非零取值,不会在k大于某个常数后就恒等于零(或在0附近随机波动)

    截尾:在大于某个常数k后快速趋于0为k阶截尾。
    落在置信区间内(95%的点都符合该规则)
    在这里插入图片描述 若没办法从图中得到最好的p和q,那么我们就暴力的遍历(p,d,q)三个参数可能的组合。然后用AIC、 BIC指标判断。

    BIC的定义

    在这里插入图片描述
    类似机器学习中的 目标函数=损失函数+正则项,AIC和BIC越小,代表准确度越高且模型更简单。

    模型建立和评价

    参数确认后,就可以进行构建模型,并且进行训练了。
    最后需要对ARIMA进行模型残差检验:

    • ARIMA模型的残差是否是平均值为0且方差为常数的正态分布
    • QQ图:是否为线性,线性则为正态分布
    展开全文
  • 机器学习建模流程涉及到几个重要的步骤,如下图所示。在下面的篇章中,我们就每一个步骤展开讨论。 数据收集 获得有效的数据是建模的第一个步骤。这个过程可能是一次性的,也有可能是长期的,需要仔细...

    精彩人工智能相关文章,微信搜索  : robot-learner , 或扫码

    机器学习建模流程涉及到几个重要的步骤,如下图所示。在下面的篇章中,我们就每一个步骤展开讨论。

     

     

     

      1. 数据收集

    获得有效的数据是建模的第一个步骤。这个过程可能是一次性的,也有可能是长期的,需要仔细的计划和执行。具体而言,建模人员应该从下面几个方面来考虑数据的获取问题:

    1. 数据源
      1. 业务类型决定了数据的来源,信用贷款和车贷涉及的数据可能大不相同。
      2. 考虑数据涉及业务是成熟业务还是新业务。成熟业务意味这数据的归集已经规范化,而新业务意味数据字段可能都要重新开始设计。
      3. 了解要具体解决的问题,比如需求是反欺诈,那么可能数据来源包含了用户在app上的点击行为;如果需求是信用预测,那么需要对接大量第三方外部数据。
    2. 数据格式
      1. 数据涉及字段的类型可能多种多样,比如数值型,文本型,图像,音频和视频。不同的类型需要不同的处理手段。
      2. 数据的获取是通过批量的方式还是流式处理。批量的获取可能会导致数据量特别大,需要用到大数据处理工具;而流式处理通常有成熟的流式计算方式。
      3. 数据文件的类型多种多样,比如csv,parquet, excel, database 表格等。
    3. 数据存储
      1. 如果数据储存在传统的关系型数据库,需要通过SQL查询的方式获得数据。
      2. 越来愈多的非关系型数据库,比如HBase, Elastics Search 等也是存储数据的有效方式,为我们获得数据提供了新的途径。

     

     

     

     

      1. 数据清洗和转换

     

    数据清洗和转换的主要目的在于检测数据的质量,做出合理的改进,从而避免在模型实施阶段产生不必要的误差和提高质量。

     

    首先查看和了解待建模的数据,可以通过统计分析和探索性的数据分析方法,和EDA (exploratory data analysis)等不同的方法。统计分析主要是通过统计手段,得到数据不同维度的主要统计特征,比如数据量,均值,方差,缺失值数量,最小值,最大值等。通过统计分析,可以对数据有一个基本的了解。EDA主要通过可视化的方法,更加直观查看数据的分布等特性。基本的数据可视化手段包括折线图(line chart),直方图(histogram),散点图(scatter plot),箱线图(box plot)等。如果数据量太大,可以通过随机抽样的方式,挑选数据进行可视化的分析。下面几张图展示的就是的常用的鸢尾花(iris flower)数据的四个特征的可视化展示。

     

    下图是三种不同的鸢尾花(setosa, versicolor, virginica)的四个特征的折线图分布。四个特征分别为:sepal length (萼片长度), sepal width (萼片宽度), petal length (花瓣长度), petal width (花瓣宽度)。从这些折线图中可以清楚的看到,花瓣长度和花瓣宽度对种类有比较好的区分程度,而萼片宽度的区分程度最弱。

    下图是鸢尾花四个特征的散点图,从二维平面进一步展示了特征两两组合对种类的区分性。

     

    下图展示了鸢尾花四个特征的箱线图。箱线图是一个直观的查看特征分布是否正太分布(normal distribution)的有效手段。

                        

        1. 数据偏度和峰度

     

    偏度(skewness)是统计学上用来统计数据分布非对称程度的量化方法。下图分布显示了正偏态,正态,和负偏态的几种分布情形。

     

     

    峰度(kurtosis)能够反映数据分布和正态分布相比,其峰部和尾部的区别。如果数据峰度值显著偏离0,则表明数据不服从正态分布。下图分别显示了正峰度和负峰度的两种情况。

     

     

     

    在数据清洗过程中,我们之所以查看数据的偏度和峰度,是因为这些指标都和数据都是衡量数据是否正态分布的方法。而数据符合正态分布特性,一方面是某些算法的基本假设,因此我们运用相应算法时候有必要提前检查假设是否成立。另一方面,数据分布满足正态分布是一个优良特性,对于算法的收敛性和可解释性都很有好处。在实际建模过程中,如果某些数据维度的分布显著偏离正态,我们可以通过数据转化的手段使之尽量向正态分布靠近。一般说来,如果偏度为低中程度,比如偏度为标准误差的2-3倍,可以通过根号取值来转换。如果高度偏度,可以取自然对数或者10为基数的对数。以收入这个数据维度为例,下图示展示了正态转换的结果。

     

     

     

     

     

        1. 数据归一化    

     

    数据归一化的背景是指建模时候涉及的数据维度或者特征有很多,但是这些特征通常在不同的尺度上。比如收入可能在1千到几万,但是年龄的范围则在0-100之间。把数据归一化就是通过转换手段把所有的特征转换到相同的尺度范围以内。数据归一化的最大好处是能够让许多机器学习算法优化速度更快,比如梯度下降涉及的算法。当然有些算法,比如决策树本身对数据归一化并不敏感。是否进行数据归一化,取决模型具体运用的算法和建模人员对问题的理解和评判。

     

    常用的数据归一化方法有两种:

    1. min-max 标准化

                                  

     

    其中x是待归一化的特征变量,xmin是特征变量的最小值,xmax是特征变量的最小值,x*是归一化后的新特征值,且范围在0到1之间。需要注意的是,xmin  和xmax是在历史数据的找到的最小值和最大值。当模型被应用到预测新数据时候,需要考虑出现超过历史最小值和最大值的特殊情况,从而使归一化后的新特征超出0到1的范围。因此需要事先考虑这种偶然的越界会不会对模型预测产生不利的影响,如果有潜在的风险,需要进行相应的异常处理。比如把超过1的数值设定为1。

     

    1. Z-score 标准化

                                        

    其中x是待归一化的特征变量,μ是特征变量的均值,δ是特征变量的标准差。如果x的分布接近正态分布,则归一化后的新特征变量则近似平均值为0,方差为1的标准正态分布。

     

        1. 数据缺失值的处理

     

    实际业务中,数据或多或少的存在缺失值,而建立的模型通常只能处理完整的数据。因此数据缺失值的合理处理至关重要。缺失值的处理应该考虑以下几个步骤和方法:

    1. 首先要深入理解造成数据缺失的原因,不能一味的追求补全缺失值。缺失值造成的原因有可能是业务的原因,比如有些字段本身有可能存在默认空值的情况。也有可能是数据前期处理过程中造成的失误,一旦找到原因,缺失值就会重新完整。因此真正的了解缺失值形成的原因以后,才能用技术的手段加以正确处理,而不会导致额外的偏差。
    2. 在某些线下的一次性分析中,如果数据量比较大,并且舍弃有缺失值的数据点不会造成任何系统偏差,可以考虑简单的去掉有缺失值得数据,从而简化缺失值处理流程。
    3. 查看出现缺失值的特征变量,统计缺失值比例,如果缺失值比例过大,补全缺失值的收益将会减小,甚至会造成偏差。对这种缺失值比例过大的特征变量,应该考虑在建模过程完全舍弃。
    4. 对于确定需要补全缺失值的特征变量,分以下两种情况:
      1. 对于数值型特征变量,可以用平均值,中位数,众数,或者任何符合业务需求的值来填补。如果特征变量分布接近正态,那么平均值,中位数,众数都不会相差太大,但是如果分布偏离正态较多,需要注意平均值不能代表最典型的数据。这个时候中位数或者众数会更有代表意义。
      2. 对于枚举型特征变量,通常用最常见的枚举值去代替缺失值。
    5. 补全缺失值的其他注意事项:
      1. 对于枚举型特征变量,需要结合实际业务,有可能缺失值本身是非常有意义的,并不需要用其他值来代替。比如有一个让用户填写的是否有房产的特征,如果用户选择不填,那么会出现缺失值。但是这种不填写的行为本身有意义。在这种情况下,创一个表示空值的枚举值 (比如 NA)可以很好的规避缺失值的问题,也能更好的提高模型效果。
      2. 对于数值型特征,除了用平均数,中位数等值来代替以外,可以建立一个新的模型来预测。比如把待补全缺失值的特征作为目标变量,其他所有特征作为自变量,建立一个新模型,用训练好的模型来自动预测缺失值。另一个方法是考虑用相邻数据点的特征变量值来补全缺失值。
      3. 对于缺失值处理过的特征变量,可以考虑创造一个新的布尔特征变量,用来专门表示该特征的值是否是缺失处理得到的。把这新的特征加入模型,可能更好的反映实际情况,从而提高模型效果。

     

     

        1. 数据不平衡的处理

     

    数据不平衡的现象是在分类预测的问题中,数据本身的分布使得各个类别的比例相差非常大。不平衡的现象是比较普遍的,比如反欺诈业务中,欺诈客户的比例要远远小于正常客户的比例,可以达到1:1000的水平。在数据建模时候,比较理想的情况是数据的种类相差不大,因为平衡的数据使得算法的收敛和算法的评价都相对容易和准确。在前面的模型评价章节我们曾经介绍过,不平衡的数据种类可能使得某些评价指标具有误导性。比如只看准确率的话,一个随机模型在不平衡的反欺诈业务中,准确率都可以达到99.9%。

     

    在数据清洗的过程中,我们可以通过以下的一些手段来处理数据,从而使数据的种类相对平衡。需要指出的是,平衡数据只需要在训练模型时候使用。在评价模型的时候,用数据的真实比例更加贴近实际情况,从而更加准确。

    1. 数据重新抽样

    根据对不同种类的处理,可以有两种不同方法:

      1. Under-sampling (欠采样):如果数据量足够大,可以对数量比较多的种类数据(大类)进行随机抽样,减少其数量,使其和数量比较小的种类(小类)数据量大概匹配。
      2. Over-sampling (过采样): 如果数据量比较小,不能再减小总的数据量,可以对小类数据进行有放回的随机采样,从而增加其数据量,使其和大类数据量相当。除了随机复制已有数据以外,也可以人工合成新数据,即原样本中不存在的数据,从而避免数据出现重复。如何合理的合成数据是另一个课题,最简单的方法就是对每一特征分布进行拟合,从而用得到的单个特征分布随机产生新的数据的每一个特征。还有另一种方法称作SMOTE(Synthetic Minority Over-sampling Technique)。该方法基于距离选择邻居样本,用邻居样本对选择样本的一个属性增加噪声,每次处理一个属性。这样就构造了更多的新生数据。
    1. 选择合适算法

    不同的算法对数据不平衡的处理效果是不一样的,通常而言,决策树相关的算法能更好的处理不平衡数据。这是因为决策树是基于规则,它的结构决定了它可以自动学习不同种类的特征,而不完全依赖于数据量。

     

        3. 调整算法惩罚权重

    通过改变算法中对每个类别的惩罚权重,可以对分类器的小类样本数据增加权值,降低大类样本的权值。这种算法比如penalized-SVMpenalized-LDA算法。 

     

     

     

     

     

     

     

     

     

     

     

    展开全文
  • 上一篇文章我们简单阐述了,大多数研究者在进行大数据分析时,所存在的逻辑问题,并简明扼要的对大数据建模流程进行了说明,那么为了使大家更加清晰每一个步骤的具体内容,我们将每一个模块展开分析。详细阐述流程中...
  • word转pdf版,无加密
  • 针对传统三维建模流程存在的延时问题,提出了基于过程优化的三维建模流程优化方法.该方法从结构优化、模型优化两个方面对整个建模流程进行优化.同时,为了克服三维建模流程中因分别对单个模型进行优化而耗时多和...
  • 算法建模流程详解及python代码实现

    千次阅读 2020-05-18 17:34:57
    每个算法工程师都有自己建模的习惯,因此在建模流程上会有所不同。本文主要介绍了一般的建模流程,有些步骤的先后顺序可能会有所差异,具体还需结合自己的实际相结合。 建模的一般流程 1.明确需求,确定y: 这是建模...
  • Comsol学习——Comsol基础建模流程

    千次阅读 2021-04-16 23:48:14
    基础建模流程以一个母线板的建模来进行学习: 跟着教程,总结起来建模研究问题大概包含以下步骤: step1 选择问题涉及到的物理场 通过对问题进行分析,问题中涉及到的物理场有焦耳热和母线板与外界...
  • Petrel建模流程.ppt

    2021-10-08 20:48:47
    Petrel建模流程.ppt
  • 次时代建模流程

    千次阅读 2017-10-26 20:55:00
    写在开头这是我自己通过搜集各路资料以及教程,摸索出来的一个简陋的次时代建模流程,仅供参考。想要有更好的效果,需要对各个软件以及参数有详细的了解。话不多说,下面开始教程。(自己摸索的时间不长,大神轻喷)...
  • 稠密系数 ARMA 模型拟合,预测季节性序列,降雨量,数学建模
  • 角色建模流程文档

    千次阅读 2019-04-17 19:02:05
    写本篇的目的是为了让自己在建模的时候流程不要混乱,因为确实出现了OBJ太多而导致高模低模分类极其混乱的问题,顺便记录一下要使用到的软件之类的。 或许以后还有机会可以自己建着玩玩呢XD 工具 顺序 软件名 ...
  • 数据仓库建模流程

    千次阅读 2019-03-06 17:36:16
    数据模型:抽象描述现实世界的一种工具和方法,通过抽象的实体及实体之间联系的形式,来表示现实世界中事务的相互关系的一种映射。在这里,数据模型表现的抽象的是实体和...1)业务建模,生成业务模型,主要解决业...
  • 数据挖掘 建模流程

    2018-07-20 12:02:20
    模式发现的数据挖掘方法 数据挖掘方法——因子分析示例
  • ANSYS建模流程-.ppt

    2021-10-20 22:39:01
    ANSYS建模流程-.ppt
  • 地质建模流程XXXX.doc

    2021-10-01 19:27:31
    地质建模流程XXXX.doc
  • 机器学习建模流程

    2020-03-27 17:01:00
    机器学习建模流程
  • 评分卡建模流程

    万次阅读 2018-06-14 15:38:11
    基于Logistic回归的申请评分卡模型开发基本申请评分卡建模流程:1.数据准备:收集并整合在库客户的数据,定义目标变量,排除特定样本。2.探索性数据分析:评估每个变量的值分布情况,处理异常值和缺失值。3.数据...
  • 学 海 无 涯 Logistic 模型及建模流程概述Logistic 模型介绍问题的提出在商业及金融领域中存在这么一类问题问题中需要被解释的目标量通常可以用 YES或者 NO 两种取值来表示如卖出了商品为 YES未卖出商品为 NO顾客对...
  • SKETCHUP建模流程及技巧.doc
  • Logistic 模型及建模流程概述 1. Logistic模型介绍 1.1 问题的提出 在商业及金融领域中存在这么一类问题问题中需要被解释的目标量通常可以用 YES 或者NO两种取值来表示如 卖出了商品为YES未卖出商品为NO 顾客对超市...
  • Logistic 模型及建模流程概述 1. Logistic 模型介绍 1.1 问题的提出 在商业及金融领域中存在这么一类问题问题中需要被解释的目标量通常可以用 YES 或者 NO两种取值来表示如 卖出了商品为 YES未卖出商品为 NO 顾客对...
  • 信用评分模型建模流程

    千次阅读 2020-04-05 22:50:43
    信用评分模型是消费信贷管理中先进的技术手段,是现在金融行业常用的信用风险评估方法,本文从宏观上介绍评分模型的建模开发流程。 1. 明确问题 明确业务要解决的问题,确定标签的定义规则,以及模型的评价指标和...
  • BIM建模流程[整理].pdf

    2021-10-11 00:46:43
    BIM建模流程[整理].pdf
  • Logistic模型及建模流程概述.doc
  • 游戏开发心得——资料篇——美术类方向(UE4) FOR THE SIGMA FOR THE GTINDER ...这里的流程一般是角色与场景的,其他的例如原画的每接触过(工科生的无奈),大体上来说角色与场景的建模流程都差不多的,

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 121,008
精华内容 48,403
关键字:

建模流程

友情链接: il2cpp.rar